Java Web爬蟲：ScrapingSpider

ScrapingSpider 是一個業余時間開發的，支持多線程，支持關鍵字過濾，支持正文內容智能識別的爬蟲。   

爬蟲的核心實現在ScrapingSpider.Core程序集中。爬蟲類為Spider類，爬蟲的爬取邏輯，與頁面處理邏輯通過事件分離，兩個關鍵事件為AddUrlEvent和DataReceivedEvent。

示例代碼：

// 構造爬蟲，需要3個參數：爬蟲設置，實現了ILogger的日志記錄器，上次未執行完的爬取鏈接
Spider spider = new Spider(new Settings(), new EmptyLogger(), null);

spider.AddUrlEvent += addUrlArgs =>
{
    // Url即將添加到隊列的事件處理
};

spider.DataReceivedEvent += receivedArgs =>
{
    // 頁面已經被抓取下來的事件，可在此處理頁面，例如頁面保存添加到數據庫
};

// 開始爬取
spider.Crawl();

ScrapingSpider示例代碼

• 具體的使用方法請參考ScrapingSpider項目的Program.cs類中的示例代碼。

• 示例代碼使用SqlServer數據庫存儲爬取信息，表結構與WebPage類對應，數據庫連接字符串請參考App.config。

• 采用log4net作為日志記錄組件。

Settings說明

• Init Seeds: 初始Url地址，多個地址使用回車分開。

• Regex Filter: 通過正則表達式過濾Url，多個正則使用回車隔開。

• Keyword: 關鍵字，按照指定的關鍵字爬取，多個關鍵字使用回車分開。

• Crawl Depth: 爬取深度，小于0表示不限

• Escape Links: 要過濾的鏈接，如：.jpg|.rar|.exe

• Keep Cookie: 抓取過程中是否保留Cookie

• Lock Host: 是否鎖定Host，鎖定后，指抓取站點相關鏈接。

• Limit Speed: 是否智能限速。

• Threads: 線程數量，啟用多個線程有利于提高爬取效率。

• Timeout: 超時時間，以毫秒為單位。

• User Agent: http協議UserAgent設置。

項目主頁：http://www.baiduhome.net/lib/view/home/1421647501140